吳春志，馮輔周，吳守軍，陳 湯，王 杰

（ 陸軍裝甲兵學(xué)院 車輛工程系，北京100072 ）

旋轉(zhuǎn)機(jī)械是指主要依靠旋轉(zhuǎn)動作完成特定功能的機(jī)械，典型的旋轉(zhuǎn)機(jī)械有變速箱、減速機(jī)、汽輪機(jī)、燃?xì)廨啓C(jī)、風(fēng)機(jī)、發(fā)電機(jī)、發(fā)動機(jī)等，它們被廣泛應(yīng)用于電力、石化、冶金、汽車制造、航空航天等部門。這些核心部件一旦發(fā)生故障，輕者會影響使用，嚴(yán)重的會造成停機(jī)甚至是人員傷亡。因此對旋轉(zhuǎn)機(jī)械進(jìn)行在線監(jiān)測與故障診斷成為系統(tǒng)設(shè)計和維護(hù)中非常關(guān)鍵的一環(huán)。旋轉(zhuǎn)機(jī)械設(shè)備面臨的主要的故障有不平衡、軸承不對中、松動、齒輪部件的斷裂磨損等。而油液分析、溫度分析、聲發(fā)射檢測、振動分析等診斷和測試方法是故障特征提取及故障診斷的主要手段。相對于其他幾種監(jiān)測方法，基于振動信號的分析所需具備的條件更容易獲取，相關(guān)研究更加成熟。

旋轉(zhuǎn)機(jī)械的故障診斷主要為了實(shí)現(xiàn)三個任務(wù)，一是確定設(shè)備的運(yùn)行狀態(tài)，二是判斷故障發(fā)生的原因，三是預(yù)測故障發(fā)展的趨勢。進(jìn)一步講，故障診斷可以看作是對設(shè)備狀態(tài)的模式識別問題。近年來，針對故障診斷的人工智能模式識別方法已經(jīng)做了很多研究，例如K-NN，樸素貝葉斯，SVM，人工神經(jīng)網(wǎng)絡(luò)等等。傳統(tǒng)的基于振動信號的故障診斷方法通常需要先對采集到的信號進(jìn)行故障特征提取，再通過模式識別方法進(jìn)行分類診斷，這不僅需要很多預(yù)先研究的專業(yè)知識，而且模型的可移植性相對較差，往往一種模型只針對某一特定設(shè)備的故障。近年來人工智能(AI)發(fā)展迅速，受到學(xué)術(shù)界和工業(yè)界的高度關(guān)注，而深度學(xué)習(xí)，作為人工智能的一大類方法，在圖像識別、視頻分割、語音以及神經(jīng)語言程序?qū)W中得到了廣泛的應(yīng)用，近年來也逐漸有研究人員將其應(yīng)用到旋轉(zhuǎn)機(jī)械的故障診斷中來。

“深度學(xué)習(xí)”這個概念最早是由機(jī)器學(xué)習(xí)大師，多倫多大學(xué)教授Hinton 和他的學(xué)生Ruslan 于2006年發(fā)表在《Science》的一篇論文中定義的[1]。而其被人們所熟知是在2012年，Hinton 課題組用他們研究的由卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)構(gòu)建的AlexNet 網(wǎng)絡(luò)參加了ImageNet 圖像識別比賽，一舉奪得冠軍，且遠(yuǎn)遠(yuǎn)超過第二名(SVM 方法)。深度學(xué)習(xí)的成功并非偶然，而是近半個世紀(jì)研究的積淀所得，其核心的BP 算法最早由Werbos 于1974年提出，被用來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)。Hinton 在1986年提出了用于多層感知器(Multi-Layer Perception，MLP)的BP 算法，并引入Sigmoid 激活函數(shù)，有效解決了非線性學(xué)習(xí)分類的問題。1998年，后來被稱為“深度學(xué)習(xí)三巨頭”的紐約大學(xué)教授Yann Le-Cun 提出并完善了LeNet5，這奠定了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)，卷積(Convolution)、池化(pooling)和非線性。2014年Goodfellow 提出了無監(jiān)督學(xué)習(xí)的生成式對抗網(wǎng)絡(luò)被LeCun評價為“機(jī)器學(xué)習(xí)過去20年最重要的思想之一”。隨著計算能力的提升尤其是GPU加速計算的實(shí)現(xiàn)，為解決不同類型的問題，越來越豐富的網(wǎng)絡(luò)模型相繼被提出，模型深度也在逐漸加深。

本文主要從理論及應(yīng)用兩個角度就目前應(yīng)用在旋轉(zhuǎn)機(jī)械故障診斷中較廣的幾種深度學(xué)習(xí)模型進(jìn)行綜述分析，包括自編碼器(AutoEncoder，AE)及其發(fā)展的網(wǎng)絡(luò)結(jié)構(gòu)、深度置信網(wǎng)絡(luò)(Deep Belief Network，DBN)、卷積神經(jīng)網(wǎng)絡(luò)以及遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)，生成式對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)等。最后探討現(xiàn)有研究面臨的挑戰(zhàn)以及未來的發(fā)展趨勢。

1 自編碼器

自編碼器這個概念最早是來自Rumelhart，2006年Hinton 在《Science》提出一種深度自編碼器算法[2]，通過逐層學(xué)習(xí)深度的網(wǎng)絡(luò)然后對整個網(wǎng)絡(luò)進(jìn)行參數(shù)調(diào)優(yōu)，解決了容易陷入局部最小值的問題。自編碼器是一種無監(jiān)督的學(xué)習(xí)算法，由編碼器和解碼器組成，其結(jié)構(gòu)原理和工作流程如圖1所示。

圖1 自編碼器工作流程圖

數(shù)據(jù)經(jīng)過編碼器進(jìn)行壓縮后再通過解碼器解壓恢復(fù)，通過不斷訓(xùn)練從而減少輸入輸出之間的損失，最終實(shí)現(xiàn)特征的抽取和數(shù)據(jù)的降維。自編碼器的優(yōu)點(diǎn)在于結(jié)構(gòu)簡單易于實(shí)施，容易跟蹤反向傳播最小化的損失函數(shù)，缺點(diǎn)在于訓(xùn)練需要數(shù)據(jù)量較大，不能判斷哪些問題是相關(guān)的。針對不同的應(yīng)用環(huán)境，研究人員對自編碼器進(jìn)行了許多改良，諸如降噪自編碼器(Denoising AutoEncoder，DAE)，稀疏自編碼器等(Sparse AutoEncoder，SAE)，卷積自編碼器(Convolutional AutoEncoder，CAE)變分自編碼器(Variational AutoEncoder，VAE)等等。

1.1 降噪自編碼器

降噪自編碼器優(yōu)點(diǎn)在于能更好地對數(shù)據(jù)進(jìn)行壓縮和特征提取，缺點(diǎn)在于模型輸入的是隨機(jī)噪聲，可控性差。侯文擎等[3]提出一種改進(jìn)的堆疊降噪自編碼器(Stack DAE)診斷方法，利用粒子群算法對DAE網(wǎng)絡(luò)超參數(shù)進(jìn)行自適應(yīng)的選取來確定SDAE網(wǎng)絡(luò)結(jié)構(gòu)，據(jù)此得到故障狀態(tài)的特征表示，輸入到Soft max分類器中進(jìn)行故障分類識別，對變工況的軸承故障診斷取得了不錯的效果。Shao 等對DAE 做了較深入的研究，通過DAE和收縮自編碼增強(qiáng)特征提取能力，用局部保持投影融合特征來提高特征質(zhì)量[4]。文獻(xiàn)[5]提出了一種集成深度自動編碼器(EDAEs)方法，采用不同的激活函數(shù)作為隱藏函數(shù)來設(shè)計具有不同特性的一系列自動編碼器(AEs)。EDAE 由各種自動編碼器構(gòu)成，可用于對振動信號進(jìn)行無監(jiān)督的特征學(xué)習(xí)；在文獻(xiàn)[6]中提出了深度跟蹤小波自適應(yīng)編碼器(TDWAE)方法。首先采用高斯小波函數(shù)作為設(shè)計小波自動編碼器(WAE)的激活函數(shù)，然后利用多個WAE構(gòu)建深度小波自動編碼器(DWAE)實(shí)現(xiàn)電力機(jī)車軸承故障診斷。

1.2 稀疏自編碼器

稀疏自編碼器是在自編碼器的基礎(chǔ)上對每層神經(jīng)元做了L1正則化(約束使隱藏層中的節(jié)點(diǎn)大部分都為0)，這使得當(dāng)模型神經(jīng)元數(shù)量較大時仍可以得到較好的隱層特征。張紹輝等[7]預(yù)先對低層頻域信號提取包絡(luò)線，得到表征頻域變化態(tài)勢的信息成分，接著再與稀疏自編碼結(jié)合構(gòu)建了故障診斷模型，降低了計算復(fù)雜度和存儲空間。侯榮濤等[8]通過堆疊SAE，以頻譜信號作為輸入提取低維特征，有效診斷了軸承故障。

1.3 卷積自編碼器

卷積自編碼器在傳統(tǒng)編碼器基礎(chǔ)上結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的卷積和池化操作對數(shù)據(jù)進(jìn)行特征提取，應(yīng)用反卷積操作對特征進(jìn)行解碼，通過堆疊形成一個深度網(wǎng)絡(luò)結(jié)構(gòu)。張西寧等[9]構(gòu)建了卷積自編碼器，通過卷積和反卷積對軸承信號進(jìn)行編碼和解碼，解決了卷積神經(jīng)網(wǎng)絡(luò)權(quán)值隨機(jī)初始化造成局部最優(yōu)的問題，同時通過反卷積重構(gòu)探討了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)含義。

1.4 變分自編碼器

變分自動編碼器是一種無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，可以顯示設(shè)計一個生成模型并根據(jù)輸入數(shù)據(jù)的分布來生成數(shù)據(jù)。與自編碼器基礎(chǔ)結(jié)構(gòu)不同之處在于它有兩個編碼器，通過神經(jīng)網(wǎng)絡(luò)來計算樣本的均值和方差，加入噪聲增強(qiáng)魯棒性并使之接近服從正態(tài)分布，并從分布中解碼生成數(shù)據(jù)。Yoon等[10]將其用于剩余壽命估計，并且認(rèn)為它是處理未來可靠性預(yù)測中標(biāo)簽不足問題的有效手段。張祥等[11]將VAE 和DBN 結(jié)合起來，將VAE學(xué)習(xí)到的隱變量特征作為DBN的輸入實(shí)現(xiàn)故障診斷。

2 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)由Hinton在2006年提出，是一種概率生成模型，如圖3所示。DBN 在監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)中都有應(yīng)用。用作非監(jiān)督學(xué)習(xí)可對信號進(jìn)行降維，提取特征，類似于自編碼器；用作監(jiān)督學(xué)習(xí)可以作為分類器。DBN 由若干個受限玻爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)和Softmax 回歸層組成，如圖2所示。

圖2 RBM結(jié)構(gòu)示意圖(V代表顯層，h代表隱層)

圖3 DBN結(jié)構(gòu)示意圖(W代表權(quán)重)

DBN的基礎(chǔ)部件RBM包含2個層，隱藏層和可視層。特點(diǎn)是層內(nèi)無連接，層間全連接(如圖2所示)。受限玻爾茲曼機(jī)主要有2 種應(yīng)用方式，一種是編碼數(shù)據(jù)，采用其他監(jiān)督學(xué)習(xí)的方法進(jìn)行分類或者回歸，第二種是將計算得到的權(quán)重和偏置從而初始化神經(jīng)網(wǎng)絡(luò)。李敬微等[12]將計算得的到滾動軸承信號的包絡(luò)譜構(gòu)造成特征向量，然后利用高斯RBM進(jìn)行故障診斷。Zhao 等[13]構(gòu)建了一個由多個RBM 組成的DAE模型，通過使用DAE網(wǎng)絡(luò)輸入及其輸出重構(gòu)值計算重構(gòu)誤差，用于反映組件健康狀況的狀況檢測指標(biāo)。

深度置信網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中的優(yōu)點(diǎn)在于可以適用于一維振動信號數(shù)據(jù)，而且在樣本較少的情況下也能實(shí)現(xiàn)不錯的性能。Ma 等[14]提出了一種基于DBN 的軸承加速壽命試驗(yàn)下的退化評估方法。Shao等在文獻(xiàn)[15]中提出了一種用于感應(yīng)電機(jī)故障診斷的DBN，其中直接使用振動信號作為輸入，并采用t-SNE 算法對學(xué)習(xí)表示進(jìn)行可視化。在文獻(xiàn)[16]中，Shao 提出了一種壓縮感知改進(jìn)卷積深度置信網(wǎng)絡(luò)(CDBN)的新方法，并采用指數(shù)移動平均技術(shù)來提高構(gòu)建的深層模型的泛化性能。此外，Zhang 等[17]提出了一種多目標(biāo)進(jìn)化優(yōu)化的DBN 集合，用于多元輸入的故障診斷。Tang 等[18]提出了一種結(jié)合牛頓動量優(yōu)化梯度和自適應(yīng)學(xué)習(xí)率的深度置信網(wǎng)絡(luò)，用來對旋轉(zhuǎn)機(jī)械故障進(jìn)行診斷分類。李川等[19]用3 種深度神經(jīng)網(wǎng)絡(luò)模型(DBM，DBN 和DAE)來識別滾動軸承的故障狀態(tài)，并討論了包括時域，頻域和時頻域在內(nèi)的4種預(yù)處理方案，結(jié)果表明這3種深度學(xué)習(xí)模型對軸承故障診斷結(jié)果都取得了較高的精度。

深度玻爾茲曼機(jī)(Deep Boltzmann Machine，DBM)和深度置信網(wǎng)絡(luò)一樣擴(kuò)大了RBM 的使用范圍，并且基本上是由眾多的RBMs 層組成的概率模型，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 DBM結(jié)構(gòu)示意圖

DBM優(yōu)點(diǎn)在于它的參數(shù)可以同時優(yōu)化，而且能從大量無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)出高階特征，然后再用少量帶標(biāo)簽樣本進(jìn)行微調(diào)。與DBN 不一樣，DBM 既有從下而上的傳播，又有從上至下的反饋，權(quán)重可以全局優(yōu)化。Li等[20]提出了一種多模式深度支持向量分類方法，作者從振動信號中提取時域、頻率和時頻特征并輸入到高斯-伯努利DBM 中，使用支持向量分類來融合3個輸出以進(jìn)行最終預(yù)測。

3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是受哺乳動物視覺皮層細(xì)胞感受機(jī)理啟發(fā)而建立的一種前饋神經(jīng)網(wǎng)絡(luò)，現(xiàn)在已經(jīng)是圖片和視頻識別領(lǐng)域應(yīng)用最為廣泛的方法。

一個傳統(tǒng)的CNN模型如圖5所示。由一個輸入層，兩組交替出現(xiàn)的卷積層和池化層，以及全連接層組成。卷積層中每一個特征圖都對應(yīng)一個卷積核，這些卷積核通過一組權(quán)重來卷積前一層的輸入并組成一組特征輸出，成為下一層的輸入。與傳統(tǒng)濾波器需要人工設(shè)定參數(shù)不同，卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置通過BP 算法進(jìn)行訓(xùn)練。池化層主要是為了實(shí)現(xiàn)兩個目的，一是大幅減少輸入卷積層的空間維度，使權(quán)重參數(shù)減少75%，從而降低計算成本。二是控制過擬合，使測試集準(zhǔn)確度更接近訓(xùn)練集準(zhǔn)確度。主流的池化方式有最大值池化、平均池化、L2-norm池化。經(jīng)過兩組卷積層和池化層后，會接一個全連接層。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)類似，全連接層可以應(yīng)用到不同的分類模型。全連接層后接一個隱藏層，最后由Softmax回歸層完成分類。

由于CNN 設(shè)計之初就是為了解決圖像的分類識別問題，如今在圖像領(lǐng)域的應(yīng)用也最為廣泛。而開始將CNN引入旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域中時，許多研究人員仍然采用原始的CNN結(jié)構(gòu)，即構(gòu)造二維的訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，提取二維數(shù)據(jù)的特征并完成診斷。Lu[21]等對采集到的振動信號進(jìn)行傅里葉變換，將頻譜信號作為CNN網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測。He[22]使用小波包能量圖像用作CNN的輸入，來進(jìn)行故障診斷。曾雪瓊等[23]和王麗華等[24]使用短時傅里葉變換將故障信號轉(zhuǎn)換成時頻譜圖作為CNN的輸入，實(shí)現(xiàn)異步電機(jī)和變速箱故障診斷。Chen等[25]通過繪制振動信號的特征統(tǒng)計圖作為CNN 的輸入，實(shí)現(xiàn)故障的分類診斷。韓濤等[26]將信號做多小波變換和時頻變換，以多小波系數(shù)圖和時頻圖作為CNN的輸入來診斷故障。

后來研究人員通過改造CNN，將卷積、池化的思想應(yīng)用在一維信號上，得到適用于一維信號的卷積神經(jīng)網(wǎng)絡(luò)。相比二維CNN，一維CNN可以將原始振動信號或者頻譜信號直接作為輸入，實(shí)現(xiàn)由原始輸入端到最終分類診斷輸出端的“端對端”故障診斷。Jing等[27]直接以振動信號的頻率數(shù)據(jù)作為CNN的輸入，并和從原始數(shù)據(jù)，頻譜和組合時頻數(shù)據(jù)的特征3 種類型數(shù)據(jù)作對比，結(jié)果表明CNN 能夠從頻率數(shù)據(jù)中自適應(yīng)學(xué)習(xí)特征，并且比其他比較方法具有更高的診斷精度。張偉[28]為檢測軸承故障，構(gòu)造了第一層大卷積核以及多層小卷積核的WDCNN 模型，在CWRU 數(shù)據(jù)庫上的識別率達(dá)到了100 %。Chen等[29]提出了一種基于改進(jìn)算法的分層學(xué)習(xí)速率自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)，用于診斷軸承故障并確定其嚴(yán)重程度。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

除了在故障模式識別中取得的不錯成果，卷積神經(jīng)網(wǎng)絡(luò)也可以完成機(jī)械設(shè)備的故障預(yù)測。Babu等[30]以傳感器的時間序列數(shù)據(jù)作為輸入，增加了一個回歸層來進(jìn)行剩余壽命預(yù)測，通過實(shí)驗(yàn)證明了基于CNN的回歸模型比多層感知器、支持向量回歸和相關(guān)向量回歸方法更好。Youngji 等[31]將信號的小波功率譜作為輸入，以CNN構(gòu)建滾動軸承的健康指標(biāo)。任等[32]通過提取主頻譜能量組成向量作為CNN的輸入，來進(jìn)行軸承退化趨勢預(yù)測。Guo 等[33]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的考慮趨勢毛刺的健康指標(biāo)構(gòu)造方法。所提出的方法首先通過卷積和池化操作來學(xué)習(xí)特征，然后通過非線性映射操作將這些學(xué)習(xí)的特征構(gòu)造成健康指標(biāo)，使用軸承數(shù)據(jù)集驗(yàn)證所提出方法的有效性。

4 遞歸神經(jīng)網(wǎng)絡(luò)

遞歸神經(jīng)網(wǎng)絡(luò)最早是由Schmidhuber提出，并經(jīng)過了許多研究人員的改良。RNN 是一類處理序列數(shù)據(jù)的深度學(xué)習(xí)網(wǎng)絡(luò)，在自然語言處理中應(yīng)用較多。與其他神經(jīng)網(wǎng)絡(luò)不同，RNN網(wǎng)絡(luò)在層間的神經(jīng)元也建立連接，如圖6所示。

圖6 遞歸網(wǎng)絡(luò)結(jié)構(gòu)示意圖

RNN 通過使用來自過去網(wǎng)絡(luò)結(jié)果的信息來產(chǎn)生輸出，從而克服了簡單神經(jīng)網(wǎng)絡(luò)的局限性，在一個RNN 中，每一步的隱藏狀態(tài)取決于之前的隱藏狀態(tài)。RNN有許多變體結(jié)構(gòu)，其中長短期記憶(LSTM)和門控循環(huán)單元(GRU)的網(wǎng)絡(luò)應(yīng)用最多。這些變體網(wǎng)絡(luò)可以幫助解決RNN 中零點(diǎn)梯度的消失問題。文獻(xiàn)[34]認(rèn)為由于能夠在時間序列數(shù)據(jù)中存儲長期相關(guān)性和非線性動力學(xué)，因此這些基于RNN的變體網(wǎng)絡(luò)在時間序列傳感器數(shù)據(jù)處理和健康監(jiān)測中比傳統(tǒng)的RNN更好。在旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域，RNN通常被用來做故障預(yù)測。

與其他體系結(jié)構(gòu)一樣，RNN也可以擴(kuò)展多個隱藏層，可以將多個觀測值之間的隱藏狀態(tài)連接起來，并沿著序列傳播信息。Yuan等[35]比較了3種不同的RNN變體(簡單的RNN，LSTM，GRU)在航空發(fā)動機(jī)的故障診斷和預(yù)測中的應(yīng)用。許寅等[36]使用LSTM對航天器在軌狀態(tài)趨勢進(jìn)行了預(yù)測，并與RNN進(jìn)行了對比，指出LSTM可以實(shí)現(xiàn)高精度的中長期預(yù)測。楊嘉明等[37]將LSTM 和BP 神經(jīng)網(wǎng)絡(luò)結(jié)合起來完成了列控車載設(shè)備的故障診斷。牛哲文等[38]在將傳統(tǒng)門控循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)合起來，同時引入dropout 降低了過擬合，結(jié)果表明在短期風(fēng)功率預(yù)測上要好于LSTM。

5 生成式對抗網(wǎng)絡(luò)

在GAN誕生之前，非監(jiān)督學(xué)習(xí)的基本思想是根據(jù)數(shù)據(jù)集估計樣本分布p(x)，然后對p(x)進(jìn)行采樣，生成分布類似的新樣本。這種方法難以解決高維樣本的生成問題。GAN 作為非監(jiān)督深度學(xué)習(xí)的代表[39]，創(chuàng)造性地提出了生成器和判別器。生成器學(xué)習(xí)樣本的分布，并從噪聲數(shù)據(jù)中生成新樣本，而判別器判別是否是真實(shí)樣本，二者進(jìn)行博弈從而優(yōu)化模型(如圖7所示)，很好解決了非監(jiān)督學(xué)習(xí)的著名問題：“給定一個樣本，訓(xùn)練一個系統(tǒng)，生成類似的新樣本”。在GAN 提出后不久，研究人員相繼提出了數(shù)十種以其為原型的各種優(yōu)化生成模型，如DCGAN、InfoGAN、cGAN、WGAN等等。

圖7 生成式對抗網(wǎng)絡(luò)示意圖

在設(shè)計機(jī)械故障診斷分類模型時，各個故障狀態(tài)的樣本數(shù)量通常保持一致，而在真正的應(yīng)用環(huán)境中，類別分布并不均衡，故障數(shù)據(jù)往往相對較少。當(dāng)傳統(tǒng)分類方法直接應(yīng)用到不均衡樣本時，為了提高分類精度，分類器會減少對少數(shù)類的關(guān)注度，分類邊界會偏向多數(shù)類樣本。最終導(dǎo)致少數(shù)類樣本很難被識別，嚴(yán)重影響分類器的性能。GAN則很好解決了這個問題。Wang等[40]通過GAN生成與原始樣本具有相似分布的新樣本以擴(kuò)展故障樣本集，輔助SDAE(堆棧自編碼器)來診斷行星齒輪箱故障，交替訓(xùn)練SDAE-GAN的生成器和鑒別器，可以明顯提高樣本生成質(zhì)量和故障分類能力。Georgios 等[41]將條件反饋GAN(cGAN)方法應(yīng)用到少數(shù)類樣本生成中，在不均衡樣本分類中取得了不錯的效果。

6 研究展望

雖然深度學(xué)習(xí)進(jìn)入大眾視線的時間不長，但越來越多的研究人員參與到深度學(xué)習(xí)的研究中，并將其應(yīng)用到除圖像識別外的各種模式識別領(lǐng)域，給眾多行業(yè)帶來了新思路。本文簡單梳理了深度學(xué)習(xí)的發(fā)展脈絡(luò)，針對旋轉(zhuǎn)機(jī)械設(shè)備故障診斷領(lǐng)域應(yīng)用最廣泛的幾種深度學(xué)習(xí)模型，從原理到應(yīng)用做了分類綜述。通過對相關(guān)文獻(xiàn)的梳理總結(jié)，筆者認(rèn)為在本領(lǐng)域應(yīng)用深度學(xué)習(xí)方法，仍有如下幾個方面問題需要研究：

(1)深度學(xué)習(xí)最大的特點(diǎn)就是能在信號中迭代學(xué)習(xí)更新權(quán)重，自動提取特征，這也是和傳統(tǒng)人工智能方法相比優(yōu)勢所在。那么，模型每一層到底從原始信號中學(xué)習(xí)到了什么？在圖像領(lǐng)域，有許多文獻(xiàn)對此做了研究說明，而在故障診斷領(lǐng)域相關(guān)研究還不夠成熟。

(2)深度學(xué)習(xí)模型多種多樣，對解決故障診斷領(lǐng)域中的某個問題，似乎沒有一種明確的選擇方式?，F(xiàn)有研究大都根據(jù)已有深度學(xué)習(xí)模型進(jìn)行修改，能否應(yīng)用深度學(xué)習(xí)的思想，根據(jù)振動信號的特點(diǎn)設(shè)計一種更“合身”的深度學(xué)習(xí)模型可能是未來研究的一個方向。

(3)傳統(tǒng)方法解決故障診斷問題時往往是多個方法的組合，先提特征再進(jìn)行模式識別；深度學(xué)習(xí)將這些過程集中到一起，很好地完成了“端到端”的故障診斷，這是否是最完美的解決方案？特征提取方法是否應(yīng)被淘汰？二者如何各自發(fā)揮所長，共同更好地解決問題也值得繼續(xù)研究。